私たちは領域特異的な微分同相計量マッピング（Region-Specific Diffeomorphic Metric Mapping: RDMM）の登録手法を紹介します。RDMMは非パラメトリックであり、求める空間変換をパラメータ化する時空間速度場を推定します。これらの速度場の正則化が必要ですが、既存の非パラメトリック登録手法、例えば大変位微分同相計量マッピング（Large Deformation Diffeomorphic Metric Mapping: LDDMM）モデルでは、固定された空間不変の正則化が使用されています。一方、私たちのモデルでは、推定された速度場とともに空間的に変動する正則化項を移流させることで、自然に変形物体に時空間正則化項を付加します。我々はRDMM登録手法の家族を探求します：1) 分離した正則化を持つ領域が事前に定義された登録モデル（例：アトラス空間）、2) 一般的な空間的に変動する正則化項を推定する登録モデル、3) 空間的に変動する正則化項がエンドツーエンドで学習された深層学習（Deep Learning: DL）モデルを通じて得られる登録モデルです。RDMMの変分導出を行い、このモデルが連続体において微分同相変換を保証できることを示し、LDDMMがRDMMの特定のインスタンスであることを示します。RDMMの性能評価のために、1) 合成2Dデータと 2) 2つの3Dデータセットを使用して実験を行いました：膝部MRI画像（Osteoarthritis Initiative: OAI）と肺部CT画像です。結果は、我々のフレームワークが最先端の画像登録性能を達成しており、学習された時空間正則化項を通じて追加情報を提供していることを示しています。さらに、我々の深層学習アプローチにより非常に高速なRDMMおよびLDDMM推定が可能となります。当方のコードはオープンソースとして公開されます。コードは以下のURLから入手可能です：https://github.com/uncbiag/registration